一種新的夜間交通流量檢測(cè)方法

馬永杰，李鵬飛，王　彬

(西北師范大學(xué)物理與電子工程學(xué)院，甘肅蘭州　730070)

一種新的夜間交通流量檢測(cè)方法

馬永杰，李鵬飛，王彬

(西北師范大學(xué)物理與電子工程學(xué)院，甘肅蘭州730070)

摘要：針對(duì)夜間交通監(jiān)控面臨的亮度不足、能見(jiàn)度不佳與光線反射干擾等，造成視頻車(chē)輛檢測(cè)器不能全天候準(zhǔn)確檢測(cè)的問(wèn)題,提出一種基于車(chē)燈亮度、顏色、形狀、位置、紋理等運(yùn)動(dòng)信息的夜間車(chē)輛檢測(cè)系統(tǒng).先找出可能為車(chē)燈的亮點(diǎn)，然后再判斷屬于同一車(chē)的可能性，并進(jìn)行車(chē)燈配對(duì)，最后針對(duì)路面上碰觸虛擬檢測(cè)線的一對(duì)亮點(diǎn)進(jìn)行計(jì)數(shù).實(shí)驗(yàn)結(jié)果表明,本方法的平均準(zhǔn)確率在96%以上，具有檢測(cè)率高、魯棒性強(qiáng)的特點(diǎn)，能夠滿足城市道路及高速公路的實(shí)時(shí)檢測(cè)需求.

關(guān)鍵詞：車(chē)流量檢測(cè)；夜間交通監(jiān)控；運(yùn)動(dòng)信息；車(chē)燈偵測(cè)配對(duì)；高檢測(cè)率

中圖分類(lèi)號(hào)：TN 911.73

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-988Ⅹ(2015)03-0043-06

A new method of traffic flow detection at night

MA Yong-jie ,LI Peng-fei,WANG Bin

(College of Physics and Electronic Engineering,Northwest Normal University,Lanzhou 730070,Gansu,China)

Abstract:Aiming at the problem of the video vehicle detector in the night traffic monitoring that cannot accurately detect all-weather which caused by short of the brightness，poor visibility and light reflection interference.A kind of nighttime vehicle detection system based on light brightness,color,shape,location,texture movement information is proposed.Firstly,to identify possible light spot,and judge the possibility of belonging to the same car,and then do the light matching,finally count the pair of light spots touching the virtual detection line on the road.The experiment results show that the accuracy of this method in nighttime vehicle detection is above 96%,and this method is with the characteristics of high detection rate,strong robustness,and can meet the demand of real-time detection of city road and highway.

Key words:vehicles detection;nighttime traffic monitoring;movement information;lights matching;high detection rate

0前言

近年來(lái)，隨著數(shù)字?jǐn)z像與通訊傳輸設(shè)備的快速發(fā)展，智能型交通系統(tǒng)(Intelligent transportation systems, ITS)的研發(fā)在各國(guó)已逐漸成為必然趨勢(shì).相關(guān)研究包含了通訊、感測(cè)與控制、圖像處理等多方面的技術(shù)，用來(lái)管控交通流量,減少堵塞情況，以提升各類(lèi)車(chē)輛的流動(dòng)性.智能型交通系統(tǒng)提供了很多便利：路人可以取得實(shí)時(shí)路況信息，安排行車(chē)路線或選擇不同的交通運(yùn)輸工具；警方可根據(jù)實(shí)時(shí)路況來(lái)執(zhí)行適當(dāng)?shù)慕煌ü芸夭呗?為了提供一個(gè)大眾安全、便利迅速的交通環(huán)境，基于圖像處理的智能交通監(jiān)控系統(tǒng)的研發(fā)已成為刻不容緩的任務(wù).

傳統(tǒng)的方法大都是基于形態(tài)學(xué)處理，利用背景差分、幀間差分獲得車(chē)輛的輪廓進(jìn)行跟蹤檢測(cè)[1-3]，然而這些方法受環(huán)境光線影響很大.此外，在夜間環(huán)境下，也會(huì)因?yàn)轭伾y理等信息的不足而大幅降低車(chē)輛辨識(shí)與追蹤的效果.在交通監(jiān)控圖像中，若追蹤路面上所有的車(chē)輛，在計(jì)算上將會(huì)相當(dāng)耗時(shí)，當(dāng)車(chē)流量大時(shí)尤其耗時(shí).Cai等提出整合日夜間圖像信息的方法，利用物體切割的技術(shù)，將夜間圖像中不清楚的靜態(tài)區(qū)域用日間圖像中的相對(duì)位置來(lái)取代[4]，但要在圖像中妥善完整地切割出某種物體仍具有相當(dāng)?shù)碾y度，而且物體切割上的瑕疵將造成日夜間圖像整合的不自然.為了產(chǎn)生看起來(lái)較為自然的夜間強(qiáng)化圖像，Akito等將圖像畫(huà)面分成亮度和反射兩個(gè)部分，然后參考日間圖像改善夜間圖像的亮度部分[5]. 盡管已有許多夜間圖像強(qiáng)化的算法被提出，但夜間交通監(jiān)控圖像因前景與背景的對(duì)比度低，仍然無(wú)法利用背景去除法有效提取出前景車(chē)輛.為了克服此限制，Huang提出基于強(qiáng)烈對(duì)比分析的夜間物體檢測(cè)與追蹤算法，先利用局部性對(duì)比變化檢測(cè)可能存在的移動(dòng)物體，再用動(dòng)向預(yù)測(cè)與空間鄰近資料相關(guān)性減少錯(cuò)誤檢測(cè)[6].Kostia在夜間交通監(jiān)控中采用HSV顏色模塊Value∶Saturation(顏色值∶飽和度)的比例為特征，提取出畫(huà)面中的明亮區(qū)塊為車(chē)燈，最后經(jīng)由一決定樹(shù)(Decision tree)驗(yàn)證各車(chē)燈配對(duì)的假設(shè)，以達(dá)到車(chē)輛檢測(cè)的目的[7]. Chen等則通過(guò)設(shè)定直方圖的多重門(mén)閾值來(lái)切割畫(huà)面中明亮物體，用以檢測(cè)夜晚場(chǎng)景中的車(chē)輛.還有不少研究致力于夜間圖像的強(qiáng)化[8]，Sayed等提出改進(jìn)傳統(tǒng)的直方圖等化(Histogram equalization)算法加強(qiáng)原始夜間圖像的顏色信息[9].然而基于直方圖等化的圖像加強(qiáng)算法往往效果有限，因?yàn)樵紙?chǎng)景許多細(xì)節(jié)信息在夜間畫(huà)面中已經(jīng)失去了.

因受亮度不足、能見(jiàn)度不高與光線反射等干擾因素的影響，夜間交通監(jiān)控一直以來(lái)都有相當(dāng)高的難度.文中提出一種新的夜間交通監(jiān)控方法，針對(duì)城市公路夜間的監(jiān)控視頻，利用改進(jìn)的車(chē)燈檢測(cè)與配對(duì)分析夜間交通流量情況.在夜間交通監(jiān)控圖像中，車(chē)燈是最明顯且最有用的特征，利用其顏色、亮度、形狀等特征，先找出可能為車(chē)燈的亮點(diǎn)，接著再分析兩車(chē)燈間的水平相關(guān)性、垂直相關(guān)性與兩燈間的紋理量，推論兩個(gè)車(chē)燈屬于同一輛車(chē)的可能性，以進(jìn)行車(chē)燈配對(duì)，而每組成功配對(duì)的車(chē)燈即表示一輛車(chē).源于傳統(tǒng)電感線圈的設(shè)計(jì)理念，在畫(huà)面中設(shè)置一虛擬檢測(cè)線，用來(lái)統(tǒng)計(jì)單位時(shí)間內(nèi)通過(guò)的車(chē)輛數(shù)[10]，最終把分析所得的交通信息提供給路人參考，合理安排路線、選擇交通方式等.

1系統(tǒng)結(jié)構(gòu)與研究方法

如圖1所示，在夜間交通監(jiān)控圖像中各車(chē)輛幾乎無(wú)法分辨，而畫(huà)面中最明顯且最具代表性的可見(jiàn)物體就是車(chē)燈.每一對(duì)車(chē)燈其實(shí)就代表著一輛車(chē)，因此可以通過(guò)車(chē)燈檢測(cè)與車(chē)燈配對(duì)來(lái)評(píng)估圖像中的交通情況.

圖1　夜間與白天交通監(jiān)控圖像的差異

圖2為文中所設(shè)計(jì)的夜間車(chē)燈檢測(cè)系統(tǒng)結(jié)構(gòu)流程圖.首先，根據(jù)亮度(Luminance)特征找出影片畫(huà)面中高亮度的區(qū)域(或亮點(diǎn))，并利用形狀特征作進(jìn)一步的確認(rèn)，將不可能為車(chē)燈的部分濾除.為了加快影像處理速度并提高準(zhǔn)確率，在畫(huà)面中設(shè)置一虛擬檢測(cè)線，就像傳統(tǒng)電感線圈一樣，用來(lái)檢測(cè)通過(guò)特定區(qū)域的車(chē)輛.那么，只需針對(duì)觸及此檢測(cè)線的亮點(diǎn)進(jìn)行車(chē)燈配對(duì)即可.在車(chē)燈配對(duì)的處理過(guò)程中，分析兩亮點(diǎn)(車(chē)燈)的垂直相關(guān)性、水平相關(guān)性，以及兩燈之間的紋理量來(lái)評(píng)估這兩個(gè)亮點(diǎn)(車(chē)燈)屬于同一車(chē)輛的可能性.最后，每一配對(duì)成功的車(chē)燈即表示一輛車(chē)，統(tǒng)計(jì)通過(guò)檢測(cè)線的配對(duì)車(chē)燈數(shù)，就可以分析畫(huà)面中的交通流量情況.

圖2　夜間車(chē)燈檢測(cè)系統(tǒng)結(jié)構(gòu)流程

1.1車(chē)燈檢測(cè)

觀察大量的夜間交通監(jiān)控視頻后可以得知，車(chē)燈在畫(huà)面中有兩個(gè)主要的特性：① 亮度高；② 形狀近似圓形.因此可以先利用亮度特征找出視頻畫(huà)面中高亮度的區(qū)域(或亮點(diǎn))，然后由形狀特征再作一次確認(rèn)，濾除非車(chē)燈的亮點(diǎn).

1.1.1找出亮點(diǎn)首先，分析畫(huà)面中車(chē)燈的顏色與亮度特性[11].圖3(a),(b)分別為黃色與白色車(chē)燈的車(chē)輛，由內(nèi)而外選取3個(gè)車(chē)燈像素，分析其RGB(R紅色，G綠色，B藍(lán)色)顏色合成值與亮度值(Luminance).

(a)黃色車(chē)燈的RGB與亮度

(b)白色車(chē)燈的RGB與亮度

像素的亮度值L(x,y)與RGB顏色合成值的計(jì)算關(guān)系式為

L(x,y)=0.299×R(x,y)+0.578×G(x,y)+

(1)

可以發(fā)現(xiàn)，在車(chē)燈中心部分其像素近似白色(RGB值約為255)，RGB 3值很相近，且亮度較高；離車(chē)燈中心越遠(yuǎn)，RGB 3值的差異越大，而整體亮度也逐漸變?nèi)?基于此特性，可將RGB變異度(RGB-Variation)作為參考量，借以輔助檢測(cè)車(chē)燈亮點(diǎn).RGB變異度V(x,y)的定義為

(2)

亮度L(x,y)高且RGB變異度V(x,y)低的像素可能為車(chē)燈像素，將被保留；反之，若亮度低或RGB變異度高，則不可能是車(chē)燈的部分，應(yīng)被濾除.通常將亮度L(x,y)與RGB變異度V(x,y)的閾值分別設(shè)置為220和20.應(yīng)用圖像形態(tài)學(xué)的運(yùn)算與相連區(qū)域分析所算得車(chē)燈像素，即得到可能為車(chē)燈的亮點(diǎn)區(qū)域.而畫(huà)面中部分非車(chē)燈的亮點(diǎn)，如路面、路燈、車(chē)體邊緣反光，它們同樣具有高亮度，但因RGB變異度高可被濾除.

圖4為亮點(diǎn)檢測(cè)結(jié)果.圖4(a)為原始夜間監(jiān)控視頻畫(huà)面，紅線為虛擬檢測(cè)線，用以統(tǒng)計(jì)單位時(shí)間內(nèi)通過(guò)的車(chē)輛數(shù)；圖4(b)中顯示所檢測(cè)到的亮點(diǎn)區(qū)域.由此可以觀察到兩個(gè)重要的現(xiàn)象：① 除了車(chē)燈之外，車(chē)邊緣、路燈因反光也會(huì)被檢測(cè)到；② 遠(yuǎn)方的車(chē)燈因過(guò)度密集，相互靠得很近.因此，在畫(huà)面近端設(shè)置一虛擬檢測(cè)線，如圖4(a)所示，后續(xù)處理將針對(duì)觸及虛擬檢測(cè)線的亮點(diǎn)作分析.由此，將不需要處理整個(gè)畫(huà)面中的每個(gè)亮點(diǎn)，計(jì)算量將大幅減少，準(zhǔn)確率也會(huì)提升.

1.1.2形狀確認(rèn)畫(huà)面中高亮度的區(qū)域多數(shù)為車(chē)燈，但也可能是路燈或是其他物體的反光，所以還需要利用形狀特征來(lái)作進(jìn)一步的確認(rèn).盡管因視角或其他因素的影響，車(chē)燈在畫(huà)面中可能有些變形，但整體來(lái)說(shuō)，其形狀近似圓形.如圖5所示，評(píng)估每一高亮度區(qū)域的形狀接近圓形的程度，決定此亮點(diǎn)被保留或?yàn)V除.

針對(duì)每一個(gè)亮點(diǎn)，計(jì)算其每個(gè)邊緣點(diǎn)(xi,yi)到中心點(diǎn)(xc,yc)的距離di，所有的di將形成一個(gè)

圖5　計(jì)算亮度區(qū)域的近似圓形程度

集合D：

(3)

其中n是邊緣點(diǎn)個(gè)數(shù).如果此亮點(diǎn)為一完整的圓形，則所有的di應(yīng)該會(huì)相等，也就是說(shuō)，D的標(biāo)準(zhǔn)差是零.反之，如果該亮點(diǎn)的形狀與圓形差異越大，則D的標(biāo)準(zhǔn)差也將跟著增加.D的標(biāo)準(zhǔn)差定義為

(4)

在此利用到自適應(yīng)閾值(Adaptive threshold)Tσ:

(5)

其中Wc與Hc為亮點(diǎn)的寬與高(圖5).若一亮點(diǎn)的標(biāo)準(zhǔn)差σ小于Tσ，則將其視作可能為車(chē)燈；反之則不可能為車(chē)燈，應(yīng)被濾除.

1.2車(chē)燈配對(duì)

在夜間交通監(jiān)控圖像中，每一輛車(chē)可由一對(duì)車(chē)燈來(lái)表示[12,13]，可以利用一些準(zhǔn)則來(lái)評(píng)估任意兩個(gè)車(chē)燈屬于同一輛車(chē)的可能性.首先，由人眼觀察畫(huà)面中兩車(chē)燈間的關(guān)系，可以得到以下幾個(gè)特性：① 在一般路面呈水平的情況下，左右兩車(chē)燈應(yīng)該位于同一水平線上；② 一輛車(chē)左右兩車(chē)燈距離略等于車(chē)體寬度；③ 相較于平滑的道路表面，車(chē)體本身會(huì)有較多的紋理，同一輛車(chē)左右兩車(chē)燈間的紋理量會(huì)比不同車(chē)輛的車(chē)燈間的紋理量多.基于觀察到的3個(gè)特征，可以定義3項(xiàng)準(zhǔn)則，進(jìn)行車(chē)燈配對(duì).

1.2.1垂直相關(guān)性如圖6，C1與C2為進(jìn)行配對(duì)評(píng)估的兩車(chē)燈，可假設(shè)C1比C2位置高，計(jì)算C1與C2兩中心點(diǎn)的垂直距離Δh，及C1(C2)中心點(diǎn)到其下緣(上緣)的垂直距離h1(h2)，進(jìn)而定義兩車(chē)燈的垂直相關(guān)性Rv：

(6)

圖6　兩車(chē)燈的垂直關(guān)系

如先前所述，在圖像畫(huà)面中沿垂直于馬路方向設(shè)置一虛擬檢測(cè)線(圖4)，且只針對(duì)觸及此檢測(cè)線的亮點(diǎn)(車(chē)燈)作配對(duì)，因此，兩車(chē)燈的垂直距離Δh不會(huì)大于其各自中心點(diǎn)至上(下)緣的距離和，即

(7)

所以0≤Rv≤1.Δh越小，Rv越大，表示兩車(chē)燈越接近同一水平線，屬于同一輛車(chē)的可能性就越大.

1.2.2水平相關(guān)性交通法規(guī)中，對(duì)于車(chē)道寬度與車(chē)輛寬度均有規(guī)定，一般公路的寬度為3.65～3.75 m，而車(chē)寬為2.5 m.因此車(chē)寬∶路寬在區(qū)間[2.5/3.75,2.5/3.65]=[2/3,0.685]內(nèi).利用相關(guān)研究，可以計(jì)算出畫(huà)面中虛擬檢測(cè)線的路寬W，然后再計(jì)算畫(huà)面中兩車(chē)燈的水平距Δw與路寬W的比例，并定義兩車(chē)燈的水平相關(guān)性Rh：

(8)

當(dāng)兩車(chē)燈水平距離Δw與路寬W的比例Δw/W落在合理范圍[2/3,0.685]內(nèi)時(shí)，設(shè)其水平關(guān)系為1；雖然在圖像處理過(guò)程中，兩車(chē)燈水平距離與路寬的計(jì)算可能會(huì)有誤差，但是當(dāng)其比例Δw/W小于1/3或大于1時(shí)，與合理范圍差異過(guò)大，這表示這兩個(gè)車(chē)燈不可能屬于同一輛車(chē)，因此其水平相關(guān)性定為0；其余情況則考慮當(dāng)Δw/W與標(biāo)準(zhǔn)比例(2/3)差異越大，則水平相關(guān)性越小.0≤Rh≤0.

1.2.3兩車(chē)燈間紋理量透過(guò)Sobel邊緣偵測(cè)，可以計(jì)算兩車(chē)燈間區(qū)域內(nèi)(圖7)的邊緣像素所占的比例Rt：

(9)

圖7　兩車(chē)燈間紋理量計(jì)算

其中,A為兩車(chē)燈間的區(qū)域面積;E為此區(qū)域內(nèi)的虛線邊緣像素個(gè)數(shù).Rt值越大,說(shuō)明兩車(chē)燈間的紋理量越多，表示兩車(chē)燈屬于同一輛車(chē)的可能性就越高.0≤Rh≤1.

有了垂直相關(guān)性Rv、水平相關(guān)性Rh及兩燈間紋理量Rt這三項(xiàng)車(chē)燈配對(duì)評(píng)估值后，可以定義兩車(chē)燈屬于同一輛車(chē)的信心指數(shù)(Confidenceindex)I：

(10)

其中a,b,c 為Rv,Rh,Rt的相對(duì)權(quán)重(總和為1).I值越高表示此二車(chē)燈有較高的機(jī)率屬于同一輛車(chē).然后找出畫(huà)面中所有車(chē)燈配對(duì)組合Pij形成一集合P：

(11)

其中n為畫(huà)面中的車(chē)燈數(shù),并計(jì)算各配對(duì)Pij的信心指數(shù)Iij，然后依次選取信心指數(shù)最高且Rv,Rh皆大于一閾值Tv的配對(duì)Pij，認(rèn)證其為一車(chē)輛的左右車(chē)燈.在此選取Tv=0.5，因?yàn)槿粢卉?chē)燈配對(duì)的垂直或水平相關(guān)性小于0.5，即表示不屬于同一輛車(chē).接著與此車(chē)燈配對(duì)Pij有共同車(chē)燈的其他配對(duì)則從集合P中去除.

此車(chē)燈配對(duì)的計(jì)算復(fù)雜度會(huì)隨車(chē)燈數(shù)量的增加而呈指數(shù)增長(zhǎng)，但使用虛擬檢測(cè)線的方法，只需要針對(duì)觸碰檢測(cè)線的車(chē)燈作配對(duì)，而無(wú)需處理整個(gè)路面的車(chē)燈，因此本研究所提出的車(chē)燈配對(duì)計(jì)算比較快速.

2實(shí)驗(yàn)結(jié)果與討論

車(chē)燈檢測(cè)與配對(duì)結(jié)果如圖8所示.圖8(a)為夜間交通監(jiān)控圖像的原始畫(huà)面，幀率為24幀/s，分別選取第72幀、第432幀、第504幀進(jìn)行驗(yàn)證，紅線為所設(shè)置的虛擬檢測(cè)線，用以統(tǒng)計(jì)單位時(shí)間內(nèi)通過(guò)的車(chē)輛數(shù).圖8(b)顯示畫(huà)面中所檢測(cè)到的亮點(diǎn)區(qū)域，可以看到除了車(chē)燈之外，汽車(chē)上緣、路燈及其他一些反光物也會(huì)被檢測(cè)到，透過(guò)形狀確認(rèn)可以濾除這類(lèi)反光.如圖8(c)所示，紅色表示經(jīng)形狀確認(rèn)后濾除的亮點(diǎn)，白色為確認(rèn)后被保留的亮點(diǎn)；最后，顯示經(jīng)由水平相關(guān)性、垂直相關(guān)性、兩燈間紋理量，計(jì)算信心指數(shù)，分析所得到的車(chē)燈配對(duì)結(jié)果.以白色線連接的亮點(diǎn)為配對(duì)車(chē)燈.實(shí)驗(yàn)結(jié)果證明，文中提出的方法可以有效檢測(cè)車(chē)燈并準(zhǔn)確配對(duì)，因?yàn)橹会槍?duì)觸碰虛擬檢測(cè)線的車(chē)燈作分析處理，不需要對(duì)整個(gè)畫(huà)面的車(chē)燈進(jìn)行確認(rèn)與配對(duì)，因此系統(tǒng)執(zhí)行效率高，能供后續(xù)及時(shí)的交通情況分析.

圖8　車(chē)燈檢測(cè)與配對(duì)結(jié)果

本實(shí)驗(yàn)的視頻資料在晴天的夜間城市公路上拍攝，共拍攝了3個(gè)視頻，實(shí)驗(yàn)平臺(tái)為Inteli5 2 450M，2.50GHz，4核CPU，4G內(nèi)存的個(gè)人電腦，借助于OPENCV圖像處理數(shù)據(jù)庫(kù)，用VC++編程實(shí)現(xiàn)系統(tǒng)的車(chē)輛檢測(cè)與計(jì)數(shù)[14,15]，表1分別列出了視頻1、視頻2、視頻3的車(chē)流量檢測(cè)結(jié)果，其中檢測(cè)率R為

(12)

表1中視頻1,2,3均是在晴天夜間拍攝，光線相對(duì)較好，拍攝距離近，場(chǎng)景較小.先由人眼觀察完整視頻后，得到人工觀察車(chē)流量數(shù)據(jù)，然后由系統(tǒng)程序檢測(cè)，得到程序檢測(cè)數(shù)據(jù)；最后經(jīng)過(guò)計(jì)算分析得到檢測(cè)的準(zhǔn)確率數(shù)據(jù).可以看出，檢測(cè)的平均準(zhǔn)確率高達(dá)96%以上.主要誤檢發(fā)生在多檢上，因?yàn)楫?dāng)車(chē)流量較大時(shí)，車(chē)輛相距較近，不同車(chē)輛的燈光相互影響，再加路面反光，在一定程度上會(huì)把兩個(gè)不是同一車(chē)的車(chē)燈亮點(diǎn)誤認(rèn)為同一車(chē)的車(chē)燈進(jìn)行配對(duì)，導(dǎo)致了多檢測(cè).

表1　夜間車(chē)流量檢測(cè)統(tǒng)計(jì)結(jié)果

3結(jié)束語(yǔ)

在夜間交通監(jiān)控圖像中，車(chē)燈是最明顯且最有用的特征，利用其顏色、亮度、形狀、位置等特征，先找出可能為車(chē)燈的亮點(diǎn)；接著分析兩車(chē)燈間的水平相關(guān)性、垂直相關(guān)性、紋理量，推論兩個(gè)車(chē)燈屬于同一輛車(chē)的可能性，再進(jìn)行車(chē)燈配對(duì)，而每組成功配對(duì)的車(chē)燈即表示一輛車(chē).源于傳統(tǒng)電感線圈的設(shè)計(jì)理念，在畫(huà)面中設(shè)置一虛擬檢測(cè)線，用以統(tǒng)計(jì)單位時(shí)間內(nèi)通過(guò)的車(chē)輛數(shù).最終分析所得的交通情況可作為路人安排路徑、選擇交通方式的參考.

本研究以城市公路監(jiān)控視頻為實(shí)驗(yàn)資料，平均檢測(cè)率高達(dá)96%以上，而且處理速度約為15幀/s，實(shí)驗(yàn)結(jié)果證明了本方法的高效性與魯棒性.文中所敘述的研究方法為夜間交通監(jiān)控系統(tǒng)的初始階段，并沒(méi)有考慮到惡劣天氣(如雨天、霧天等)，仍有許多方向需要努力.在未來(lái)的工作中，將考慮使用多重虛擬檢測(cè)線，以分析更多的交通參數(shù)，例如車(chē)速、車(chē)流密度、車(chē)輛違章等，以期達(dá)到更完善的智能交通監(jiān)控系統(tǒng).

參考文獻(xiàn):

[1]唐佳林，李熙瑩，羅東華,等.一種基于幀差法的夜間車(chē)輛檢測(cè)方法[J].計(jì)算機(jī)測(cè)量與控制，2008，16(12)：1811-1813.

[2]郭怡文，袁飛虎.基于背景差分的多車(chē)道車(chē)流量檢測(cè)系統(tǒng)[J].電光與控制，2010，17(9)：90-93.

[3]李從生，柏軍，周廣祿.基于幀差法的夜間城市道路車(chē)輛檢測(cè)[J].制造業(yè)自動(dòng)化，2011，33(2)：212-214.

[4]CAIYH,WANGYH,HUANGKQ,etal.Contextenhancementofnighttimesurveillancebyimagefusion[C]//Proceedings of International Conference on Pattern Recognition.HongKong:InstituteofElectricalandElectronicsEngineers,2006:980-983.

[5]AKITOY,HIDENORITJ.Denighting:enhancementofnighttimeimagesforasurveillancecamera[C]//Proceedings of 19th International Conference on Pattern Recognition.Tampa:InstituteofElectricalandElectronicsEngineers,2008:1-4.

[6]HUANGK.Areal-timeobjectdetectingandtrackingsystemforoutdoornightsurveillance[J].Pattern Recognition,2008,41(3):432-444.

[7]KOSTIAR.Nighttimetrafficsurveillance:arobustframeworkformultiple-vehicledetectionclassificationandtracking[C]//Proceedings of International Conference on Advanced Video and Signal Based Surveillance.Genova:InstituteofElectricalandElectronicsEngineers,2009:1-6.

[8]CHENYL,WUBF,FANCJ,etal.Real-timevision-basedmultiplevehicledetectionandtrackingfornighttimetrafficsurveillance[C]//Proceedings of International Conference on Systems,Man,and Cybernetics.SanAntonio:InstituteofElectricalandElectronicsEngineers,2009:3352-3358.

[9]SAYEDMS,DELVAJ.Lowcomplexitycontrastenhancementalgorithmfornighttimevisualsurveillance[C]//Proceedings of the 10th International Conference on Intelligent Systems Design and Applications.Cairo:InstituteofElectricalandElectronicsEngineers,2010:835-838.

[10]錢(qián)凱，吳曉紅，沈清波.基于虛擬線圈的夜晚車(chē)輛檢測(cè)[J].微型機(jī)與應(yīng)用，2014，33(3)：35-37.

[11]劉勃，周荷琴，魏銘旭.基于顏色和運(yùn)動(dòng)信息的夜間車(chē)輛檢側(cè)方法[J].中國(guó)圖象圖形學(xué)報(bào)，2005，10(2)：187-191.

[12]祁秋紅，陳啟興.基于尾燈跟蹤的夜間車(chē)輛檢測(cè)[J].通信技術(shù),2012，45(10)：58-60.

[13]劉莉，潘曉露，李一民.基于視頻的夜間車(chē)流量統(tǒng)計(jì)[J].微處理機(jī)，2012，33(1)：67-70.

[14]于仕琪，劉瑞楨.學(xué)習(xí)OPENCV:中文版[M].北京：清華大學(xué)出版社，2009：399-450.

[16]譚榮偉，雷蘊(yùn)奇，陳柏生.夜間運(yùn)動(dòng)車(chē)輛檢測(cè)[J].計(jì)算機(jī)工程與應(yīng)用，2005(13)：227-228.

[17]王鵬，黃凱奇.基于視頻的夜間高速公路車(chē)輛事件檢測(cè)[J].中國(guó)圖象圖形學(xué)報(bào)，2010，15(2)：301-306.

[18]陳柏生.基于圖像處理的夜視車(chē)輛檢測(cè)[J].微型機(jī)與應(yīng)用，2012，31(5)：36-38.

(責(zé)任編輯惠松騏)

作者簡(jiǎn)介：馬永杰(1967—)，男，甘肅靈臺(tái)人，教授，博士.主要研究方向?yàn)檫M(jìn)化算法與嵌入式系統(tǒng).

基金項(xiàng)目:甘肅省自然科學(xué)基金資助項(xiàng)目(096RJZA115)；甘肅省教育廳科研項(xiàng)目(0901B-08)

收稿日期：2014-09-27;修改稿收到日期:2014-11-18

E-mail:489358269@qq.com